goon/app/connectors/direct_scrapers/shyfap.py
goon-foss a4486980a4 style: myslniki em/en z komentarzy i docstringow (calosc repo)
1745 wystapien w 291 plikach (backend, scripts, mobile). Dominowal jeden ksztalt,
' — ' laczace zdania, wiec poszedl przecinek; myslnik otwierajacy mysl zdjety;
zakresy 0–5 i A–Z na dywiz.

Podzial komentarz/kod robil skaner stanow, nie regex, zeby nie ruszyc myslnika
stojacego w stringu albo w wyrazeniu regularnym. Potwierdzone maszynowo: po wycieciu
komentarzy z wersji HEAD i z dysku obie sa identyczne we wszystkich 291 plikach,
czyli poza komentarzami nie zmienilo sie nic. 233 pliki .py parsuja sie bez bledu,
tsc ma te same 11 bledow w tych samych 3 plikach co przed zmiana.

Dwie rzeczy wymagaly poprawki po automacie: wyrownane listy definicji, gdzie myslnik
byl separatorem kolumny (37 miejsc, kolumna przywrocona), i trzy przeniesienia mysli
do nowej linii, gdzie zostawal wiszacy przecinek na poczatku (poprawione recznie).

Bundla nie republikuje: Hermes i tak nie niesie komentarzy, wiec dla uzytkownika
to zero zmiany.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
2026-08-11 11:51:57 +02:00

183 lines
7.1 KiB
Python

"""shyfap.net, latest-vids browse scraper.
Browse-only (nie search-driven). Sitetag `shyfapnet`. Bogata metadata na detail
page'u (meta tags + body links): title, studio, performers, tags, duration,
description, upload_date, embed_url.
Pierwszy pilot scrapera browse-mode (2026-05-12), weryfikacja czy detail-page
metadata wystarcza do canonical match >5%. Jeśli tak → rozszerzamy o porn00,
fullmovies, pornxp, freshporno, 4k69, hdporn.gg.
URL patterns:
- Listing: `/videos_1/` (page 1), `/videos_1/<n>/` (page 2+)
- Scene: `/video/<slug>_v<id>/`
- Embed: `/embed/<id>` (z og:video meta)
"""
from __future__ import annotations
import re
from datetime import date, datetime
from urllib.parse import urljoin
from app.connectors.base import RawFingerprint, RawPerformer, RawPlaybackSource, RawScene, RawStudio, RawTag
from app.connectors.direct_scrapers._browse_base import (
BaseBrowseScraper,
compute_thumbnail_phash,
meta_content,
)
_BASE = "https://www.shyfap.net"
_SCENE_URL_RE = re.compile(r'href="(/video/[a-z0-9\-]+_v\d+/)"', re.IGNORECASE)
_STUDIO_LINK_RE = re.compile(
r'href="/studio/([a-z0-9\-]+)_s(\d+)/"[^>]*>([^<]+)', re.IGNORECASE
)
_PORNSTAR_LINK_RE = re.compile(
r'href="/pornstar/([a-z0-9\-]+)_p(\d+)/"[^>]*>([^<]+)', re.IGNORECASE
)
_TAG_LINK_RE = re.compile(
r'href="/tag/([a-z0-9\-]+)_t(\d+)/"[^>]*>([^<]+)', re.IGNORECASE
)
# /video/<slug>_v<id>/ id z URL używamy jako stable internal ID (np. w external_id),
# nie z meta `ya:ovs:id` żeby uniknąć rozjazdu meta vs URL.
_INTERNAL_ID_RE = re.compile(r"_v(\d+)/?$", re.IGNORECASE)
class ShyfapScraper(BaseBrowseScraper):
sitetag = "shyfapnet"
def _listing_url(self, page: int) -> str:
# page 1 → /videos_1/, page 2 → /videos_1/2/ (shyfap quirk, sufiks `_1`
# zawsze, dodatkowy `/N/` dla pagination)
if page <= 1:
return f"{_BASE}/videos_1/"
return f"{_BASE}/videos_1/{page}/"
def _extract_scene_urls(self, listing_html: str) -> list[str]:
seen: set[str] = set()
out: list[str] = []
for m in _SCENE_URL_RE.finditer(listing_html):
rel = m.group(1)
if rel in seen:
continue
seen.add(rel)
out.append(urljoin(_BASE, rel))
return out
def _parse_detail(self, scene_url: str, detail_html: str) -> RawScene | None:
# Title from og:title (fallback do <title> regex)
title = meta_content(detail_html, property="og:title")
if not title:
m = re.search(r"<title>([^<|]+)(?:\s*[-|])", detail_html, re.IGNORECASE)
if m:
title = m.group(1).strip()
if not title:
return None
description = meta_content(detail_html, property="og:description") or meta_content(
detail_html, name="description"
)
# Duration: <meta property="video:duration" content="2436"> (seconds)
duration_sec: int | None = None
dur_str = meta_content(detail_html, property="video:duration")
if dur_str and dur_str.isdigit():
duration_sec = int(dur_str)
# Upload date: <meta property="ya:ovs:upload_date" content="2021-12-07T09:07:11+03:00">
# To upload date do shyfap, NIE prawdziwa data release sceny. Jednak lepsza niż None
# bo zwykle uploaduje się w ciągu dni od release studia → dla date_proximity w
# resolverze (window 7 dni) zwykle wystarczy do match.
release_date: date | None = None
upload_str = meta_content(detail_html, property="ya:ovs:upload_date")
if upload_str:
try:
release_date = datetime.fromisoformat(upload_str).date()
except ValueError:
pass
# Thumbnail: og:image
thumbnail_url = meta_content(detail_html, property="og:image")
# Internal ID z URL → external_id stabilny + embed URL fallback
internal_id: str | None = None
m = _INTERNAL_ID_RE.search(scene_url)
if m:
internal_id = m.group(1)
# Embed URL: og:video (zwykle /embed/<id>)
embed_url = meta_content(detail_html, property="og:video")
if not embed_url and internal_id:
embed_url = f"{_BASE}/embed/{internal_id}"
# Studio, pierwszy `/studio/<slug>_s<id>/` link na stronie
studio: RawStudio | None = None
m_studio = _STUDIO_LINK_RE.search(detail_html)
if m_studio:
slug, sid, name = m_studio.group(1), m_studio.group(2), m_studio.group(3).strip()
studio = RawStudio(
external_id=f"shyfapnet:studio:{sid}",
name=name,
slug=slug,
)
# Performers, wszyscy `/pornstar/<slug>_p<id>/` (zwykle 1-3 per scena)
performers: list[RawPerformer] = []
seen_perf: set[str] = set()
for m_p in _PORNSTAR_LINK_RE.finditer(detail_html):
slug, pid, name = m_p.group(1), m_p.group(2), m_p.group(3).strip()
if pid in seen_perf:
continue
seen_perf.add(pid)
performers.append(
RawPerformer(
external_id=f"shyfapnet:performer:{pid}",
name=name,
)
)
# Tags, wszystkie `/tag/<slug>_t<id>/` (zwykle 10-25 per scena)
tags: list[RawTag] = []
seen_tag: set[str] = set()
for m_t in _TAG_LINK_RE.finditer(detail_html):
slug, tid, name = m_t.group(1), m_t.group(2), m_t.group(3).strip()
if tid in seen_tag:
continue
seen_tag.add(tid)
tags.append(
RawTag(external_id=f"shyfapnet:tag:{tid}", name=name, slug=slug)
)
# Playback source, embed_url (mobile WebView fallback). Stream extraction
# przez app/extractors/__init__.py wymaga osobnego registry entry, dla
# pilot scrapera zostawiamy embed-only (WebView), direct mp4 to follow-up.
playback_sources = [
RawPlaybackSource(
origin=f"tube:{self.sitetag}",
page_url=scene_url,
embed_url=embed_url,
duration_sec=duration_sec,
thumbnail_url=thumbnail_url,
)
]
# Perceptual hash z thumbnail. Resolver Path 3 (find_by_phash_within,
# Hamming ≤5) auto-merguje gdy TPDB/StashDB ma fingerprint tej samej sceny.
# Niezależne od shyfap title-rebrandingu, bierze się z frame'u sceny.
fingerprints: list[RawFingerprint] = []
if thumbnail_url:
ph = compute_thumbnail_phash(thumbnail_url, referer=_BASE + "/")
if ph:
fingerprints.append(RawFingerprint(kind="phash", value=ph))
return RawScene(
external_id=f"{self.sitetag}:{scene_url}",
title=title,
description=description,
duration_sec=duration_sec,
release_date=release_date,
url=scene_url,
studio=studio,
performers=performers,
tags=tags,
fingerprints=fingerprints,
playback_sources=playback_sources,
)